基于残差型选择性核注意力机制的玉米幼苗识别方法

本发明属于目标检测，涉及一种玉米幼苗识别方法，尤其是一种基于残差型选择性核注意力机制的玉米幼苗识别方法。

背景技术：

1、随着现代农业生产自动化和智能化的不断发展，玉米幼苗识别技术为实现农业生产自动化提供了重要的技术支持。具体地，第一，玉米幼苗识别技术可以为精准农业提供数据支持。通过对玉米幼苗生长状况的实时监测和分析，可以实现对农田的精准管理，如精确施肥、精确灌溉、精确施药等，从而提高农业生产效益。第二，玉米幼苗识别技术可以帮助识别玉米植株的病虫害症状，从而实现病虫害的早期发现和防治。第三，玉米幼苗识别技术可以为玉米遗传育种提供数据支持。通过对不同品种玉米幼苗的特征进行识别和分析，可以了解不同品种玉米的生长特点和遗传特性，从而为遗传育种工作提供依据。第四，玉米幼苗识别技术可以用于生态环境监测。通过对玉米幼苗生长状况的监测，可以了解农田生态环境的变化趋势，为生态环境保护提供数据支持。因此，玉米幼苗识别技术在农业生产自动化、精准农业、病虫害防治、遗传育种和生态环境监测等方面具有重要意义。

2、然而，实现玉米幼苗识别存在以下难点：首先，在不同生长阶段，玉米幼苗尺寸差异较大，从几厘米到几十厘米不等，这使得检测算法在处理不同尺度的目标时面临挑战。其次，玉米幼苗在生长过程中，可能出现各种姿态和不同程度的遮挡，可能导致部分目标信息丢失、目标的形状和纹理发生改变。最后，玉米幼苗检测过程中，光照条件和背景纹理对检测结果有很大影响。强光、阴影、复杂的背景纹理等因素可能导致目标难以识别。此外，不同生长阶段和不同品种的幼苗可能具有相似的外观，这使得小样本学习成为一个挑战。

3、因此，针对上述现有技术中存在的缺陷，需要研发一种新型的玉米幼苗识别方法。

技术实现思路

1、为了克服现有技术的缺陷，本发明提出一种基于残差型选择性核注意力机制的玉米幼苗识别方法，该方法实现了在开放场景下提高目标检测模型识别玉米幼苗的准确率，同时降低了原有yolov8n算法的误检率。

2、为了实现上述目的，本发明提供如下技术方案：

3、一种基于残差型选择性核注意力机制的玉米幼苗识别方法，其特征在于，包括以下步骤：

4、1)获取玉米幼苗图像；

5、2)标注玉米幼苗图像，制作数据集；

6、3)搭建玉米幼苗识别网络模型：以yolov8n算法为基础搭建玉米幼苗识别网络模型，并在yolov8n算法的neck网络中引入残差型选择性核注意力机制模块reslskattenton；

7、4)利用所述数据集训练所述玉米幼苗识别网络模型；

8、5)利用训练后的玉米幼苗识别网络模型识别玉米幼苗。

9、优选地，所述步骤3)中的残差型选择性核注意力机制模块reslskattenton接收输入x，经过一个卷积层和gelu激活函数后得到特征y；然后，利用lskblockv2模块对所述特征y进行空间注意力处理；最后，将空间注意力处理后的特征和输入x的副本相加得到最终输出。

10、优选地，所述lskblockv2模块是一个残差连接的lsk模型，所述lskblockv2接受输入特征y，并通过一系列的卷积操作对特征y进行处理：首先，使用卷积层对特征y进行卷积操作，得到attn0；其次，attn0经过卷积层卷积后得到attn1和attn2；然后，将attn1和attn2在通道维度上进行通道连接，并通过求平均值和求最大值的操作得到特征y的均值和最大值；接着，将均值和最大值的特征进行拼接，并经过一个卷积层和sigmoid激活函数后得到权重sig；最后，利用权重sig来加权attn1和attn2的特征，再经过一系列卷积和归一化操作后，将得到的特征与原始输入特征y相加，形成残差连接的输出。

11、优选地，所述步骤3)具体包括：

12、3.1)搭建backbone网络，即玉米幼苗识别网络模型的主干网络，提取玉米幼苗的特征；

13、3.2)搭建neck网络，用于收集不同阶段中的特征图像；

14、3.3)搭建head网络，即玉米幼苗识别网络模型的头部网络，用于检测玉米幼苗。

15、优选地，所述步骤3.1)中的backbone网络将输入的玉米幼苗图像进行两次卷积操作，第一次卷积使用64个卷积核，每个卷积核大小为3×3，步长为2，第二次卷积使用128个卷积核，每个卷积核大小为3×3，步长为2；将卷积结果给第一轻量化模块c2f，第一轻量化模块c2f的深度为3；经过所述第一轻量化模块c2f处理后的图像特征，再次进行卷积，卷积使用256个卷积核，每个卷积核大小为3×3，步长为2；卷积结果给第二轻量化模块c2f，第二轻量化模块c2f的深度为6，经过所述第二轻量化模块c2f处理后的特征图像记为p3；对p3进行卷积，卷积使用512个卷积核，每个卷积核大小为3×3，步长为2；卷积结果给第三轻量化模块c2f，第三轻量化模块c2f的深度为6；经过所述第三轻量化模块c2f处理后的特征图像记为p4；对p4进行卷积，卷积使用1024个卷积核，每个卷积核大小为3×3，步长为2；卷积结果给第四轻量化模块c2f，第四轻量化模块c2f的深度为3，所述第四轻量化模块c2f的输出结果给金字塔池化层sppf，其池化核大小设置为5，其输出的特征图像记为p5。

16、优选地，所述步骤3.2)中的neck网络包括第一上采样模块upsample、第一特征堆叠模块concat、第五轻量化模块c2f、第二上采样模块upsample、第二特征堆叠模块concat、第六轻量化模块c2f、第一卷积模块conv、第三特征堆叠模块concat、第七轻量化模块c2f、第二卷积模块conv、第四特征堆叠模块concat、第八轻量化模块c2f和所述残差型选择性核注意力机制模块reslskattenton，p5经所述第一上采样模块upsample上采样后在所述第一特征堆叠模块concat中与p4进行第一次特征堆叠，第一次特征堆叠的结果经所述第五轻量化模块c2f处理后由所述第二上采样模块upsample上采样后在所述第二特征堆叠模块concat中与p3进行第二次特征堆叠，第二次特征堆叠的结果经所述第六轻量化模块c2f处理后获得处理后的p3并将处理后的p3经由第一卷积模块conv卷积后在所述第三特征堆叠模块concat中与所述第五轻量化模块c2f处理后的第一次特征堆叠的结果进行第三次特征堆叠，第三次特征堆叠的结果经所述第七轻量化模块c2f处理后获得处理后的p4并将处理后的p4经由所述第二卷积模块conv进行卷积后在所述第四特征堆叠模块concat中与p5进行第四次特征堆叠，第四次特征堆叠的结果经所述第八轻量化模块c2f处理后进入所述残差型选择性核注意力机制模块reslskattenton进行处理以获得处理后的p5。

17、优选地，所述第一上采样模块upsample和第二上采样模块upsample的scale_factor设为2，即采样后输出的尺寸是输入尺寸的2倍且采用的上采样算法为最近邻插值算法；所述第一特征堆叠模块concat、第二特征堆叠模块concat、第三特征堆叠模块concat和第四特征堆叠模块的拼接维度定为1；所述第五轻量化模块c2f、第六轻量化模块c2f、第七轻量化模块c2f、和第八轻量化模块c2f的深度为3；所述第一卷积模块cov和第二卷积模块conv的卷积大小为3×3、步长为2。

18、优选地，所述步骤3.3)中的head网络包括第一玉米检测模块detect、第二玉米检测模块detect和第三玉米检测模块detect，所述第一玉米检测模块detect用于检测处理后的p3，所述第二玉米检测模块detect用于检测处理后的p4，所述第三玉米检测模块detect用于检测处理后的p5。

19、优选地，将制作的所述数据集以8:2的比例分为训练集和检测集，所述训练集用于对所述玉米幼苗识别网络模型进行训练，所述检测集用于对所述玉米幼苗识别网络模型进行检测。

20、优选地，在对所述玉米幼苗识别网络模型进行训练时，设置训练的轮次为150。

21、与现有技术相比，本发明的基于残差型选择性核注意力机制的玉米幼苗识别方法具有如下有益技术效果中的一者或多者：

22、1、本发明通过引入残差型选择性核注意力机制提高了玉米幼苗的检测性能，提高了玉米幼苗的检测准确率。

23、2、本发明降低了原有yolov8n算法的误检率。

24、3、本发明通过残差连接来保留原始信息和加速模型收敛，使得识别更好、更快。